Küresel ısınma ve kuraklık ile suyun önemi artmaktadır. Suyun etkin kullanımı için teknolojik gelişmeler takip edilerek gelecek senaryolar ve tahminler dikkate alınmalıdır. Günümüzde her alanında var olan algoritmalar, teknolojik gelişmeler ile birlikte yaşantımızın merkezi haline gelmiştir. Tarımsal alandaki yeni gelişmelerle ile birlikte makine öğrenme algoritmalarının kullanımları araştırılmaktadır. Bu çalışmada; farklı arazi kullanım türleri üzerindeki (orman, mera ve tarım arazisi) toprakların, sınırlandırılmış su aralığı (SSA) içeriklerinin belirlenmesi sonucu alandaki sıkışma ve havalanma problemleri değerlendirilmiştir. Ayrıca, SSA’nın farklı makine öğrenme algoritmaları (rastgele orman, yapay sinir ağları ve destek vektör makinaları) ile tahmin edilebilirliği dağılım haritaları ile ortaya konmuştur.Tarım yapılan toprakların SSA içerikleri oldukça geniş olup 0.03-0.21 cm3cm-3 aralıklarında değişim göstermiştir. Çalışma alanında incelenen mera topraklarının %43.63’ünde optimum koşullar, % 36’sında havalanma, %14.54’ünde sıkışma, %5.45’inde hem havalanma hem sıkışma problemleri tespit edilmiştir. Orman örtüsü altında toprakların %37.03’ünde optimum koşullar yani yarayışlı su içeriği SSA ya eşit olarak tespit edilmiştir. İncelenen algoritmalar arasında en başarılı tahmin rastgele orman (RO) algoritmasıyla elde edilmiştir. RO algoritması ile SSA’nın tahmin edilmesinde RMSE değeri 0.039 cm3 cm-3, olarak belirlenmiştir. RO ile SSA’nın tahmininde kum ve kil en iyi tahmin edici parametre olarak tespit edilmiştir.Elde edilen gerçek ve tahmin değerlerinin dağılım haritalarında en düşük RMSE Simple Kriging yöntemi ile SSA için Spherical ve RO için ise Exponential model olarak belirlenmiştir. Çalışma sonucunda RO algoritması ile SSA ‘nın düşük hata oranı ile tahmin edilebileceği ve dağılım haritalarının oluşturulabileceği ortaya konmuştur. Ayrıca tarım üretimde özellikle fındık arazilerinde dağılım gösteren topraklarda, mera ve orman topraklarına göre daha fazla sıkışma ve havalanma problemlerinin olduğu tespit edilmiştir.
The importance of water is increasing with global warming and drought. For the effective use of water, technological developments should be followed and future scenarios and predictions should be taken into account. Algorithms that exist in every field today have become the center of our lives with technological developments. With the new developments in the agricultural field, the uses of machine learning algorithms are being investigated. In this study; As a result of determining the least limiting water range (LLWR) contents of soils on different land-use types (forest, pasture, and agricultural land), compaction and aeration problems in the area were evaluated. In addition, the predictability of SSA with different machine learning algorithms (random forest, artificial neural networks, and support vector machines) is demonstrated with distribution maps. The LLWR contents of the cultivated soils varied in the range of 0.03-0.21 cm3 cm-3. Optimum conditions were determined in 43.63% of the pasture lands examined in the study area, aeration problems in 36%, compaction in 14.54%, and both aeration and compaction problems in 5.45%. Optimum conditions, namely the available water content, were found to be equal to SSA in 37.03 % of the soils under forest cover. Among the analyzed algorithms, the most successful prediction was obtained with the random forest (RF) algorithm. The RMSE value was determined as 0.039 cm3 cm-3 in estimating the LLWR with the random forest algorithm. Sand and clay were determined as the best predictors for the estimation of RF and LLWR. In the distribution maps of the observed and predicted values obtained, the lowest RMSE value was determined by the Spherical model of the Simple Kriging method for SSA while the Exponential model of the Simple Kriging method was found the most suitable model for RF. As a result of the study, it has been revealed that LLWR can be obtained with a low error rate and distribution maps can be created with the random forest algorithm. In addition, it has been determined that there are more compaction and aeration problems in soils of hazelnut cultivated areas for agricultural production when compared with pasture and forest soils.
